۳ نتیجه برای پرسپترون
علی جهانی،
دوره ۶، شماره ۲ - ( ۶-۱۳۹۸ )
چکیده
هدف از این پژوهش مدلسازی تغییرات مکانی تراکم پوشش گیاهی زیرآشکوب جنگل با توجه به ساختار اکوسیستم جنگل و فعالیتهای طرح جنگلداری به عنوان یک مخاطره زیست محیطی میباشد. واحدهای همگن محیط زیستی با استفاده از منابع اکولوژیکی و سیستم اطلاعات جغرافیایی، تهیه گردید. در این تحقیق به کمک شبکههای عصبی مصنـوعی، تراکم پوشش گیاهی زیرآشکوب جنگل بر اساس متغیرهای اکولوژیکی و انسانی شبیهسازی شد. شبکه پرسپترون چندلایه با یک لایه پنهان و ۴ نرون در هر یک از لایههای مخفی و آرایش نهایی ۱-۴-۲۳، با توجه به بیشترین مقدار ضریب تبیین آزمون شبکه (معادل ۸۵۷۶/۰) و کمترین مقدار میانگین مربعات خطا و میانگین خطای مطلق (به ترتیب معادل ۸۶۶/۰ و ۷۳۶/۰)، بهترین عملکرد بهینهسازی توپولوژی را نشان میدهد. بر اساس نتایج آنالیز حساسیت، عوامل اکولوژیکی و انسانی شامل تراکم تاج پوشش توده، تراکم دام در جنگل، شدت فرسایش خاک و شدت کوبیدگی آن به ترتیب بیشترین تاثیر را در تغییرات پوشش گیاهی زیرآشکوب جنگل از خود نشان دادند. نتایج حاصله در این تحقیق در چهارچوب روش تجزیه و تحلیل سیستمی منجر به مدلسازی پوشش گیاهی زیرآشکوب جنگل در ارزیابی مخاطرات محیط زیستی طرحهای جنگلداری و طراحی سامانه پشتیبان تصمیمگیری شده است که میتواند راهگشای تصمیمگیری در مورد ساختار طرح و اجرای پروژههای مشابه در مکانهای مشابه باشد.
امید اشک ریز، فاطمه فلاحتی، امیر حسین گرکانی،
دوره ۱۱، شماره ۳ - ( ۱۰-۱۴۰۳ )
چکیده
رشد سکونتگاه ها و افزایش فعالیتهای انسانی در دشت های سیلابی به ویژه حاشیه رودخانه ها و مکانهای مستعد سیل، میزان خسارت ناشی از این مخاطره را افزایش داده است. از این رو تعیین گستره سیلاب در راستای برنامه ریزی های کاهش خطر، آمادگی و پاسخ و بازیابی و بازتوانی پس از این مخاطره از اهمیت بسزایی برخوردار است. در مطالعه حاضر از الگوریتم های متداول یادگیری ماشین و طبقه بندی تصاویر سنتینل۲ جهت تولید نقشه های پوشش اراضی، آشکارسازی پهنه های سیلابی و تعیین مساحت اراضی تحت خسارت سیلاب فرودین۱۳۹۸ شهرستان آق قلا استفاده شد. همچنین به منظور بررسی و افزایش دقت الگوریتم ها، سه شاخص طیفی نرمال شده پوشش گیاهی(NDVI)، پهنه های آبی(MNDWI) و اراضی ساخته شده (NDBI) با تصاویر مورد استفاده ترکیب شدند. پارامترهای مختلف تنظیم هر یک از الگوریتم ها به منظور تعیین تأثیر آنها بر دقت طبقه بندی و جلوگیری از کسب نتایج خوشبینانه ناشی از همبستگی مکانی میان نمونه های آموزشی و آزمایشی، با روش اعتبارسنجی متقابل مکانی ارزیابی شدند. نتایج نشان داد که ترکیب شاخص های طیفی منجر به افزایش دقت کلی الگوریتم ها شده و به منظور تولید نقشه های پوشش اراضی، الگوریتم جنگل تصادفی با دقت ۸۳,۰۸ درصد بدلیل استفاده از روش یادگیری جمعی از دقت و تعمیم پذیری بالاتری نسبت به سایر الگوریتم های ماشین بردار پشتیبان و شبکه عصبی با دقت به ترتیب ۷۹.۱۱ و۷۵.۴۴ درصد برخوردار است. پس از مشخص شدن دقیق ترین الگوریتم، نقشه پهنه های سیلابی با استفاده از الگوریتم جنگل تصادفی در دو کلاس اراضی آبی و غیر آبی تولید گردید و دقت کلی الگوریتم در بهینه ترین پارامترها و با ترکیب شاخص طیفی(MNDWI) ۹۳,۴۰ درصد بدست آمد. سپس با همپوشانی نقشه های پوشش اراضی و پهنه های سیلابی، سطح اراضی ساخته شده و اراضی زراعی و فضاهای سبز تحت خسارت سیلاب به ترتیب ۴.۲۰۰۸ و ۴۱.۰۷۷۲ کیلومتر مربع برآورد گردید.
شمس اله عسگری، صمد شادفر،
دوره ۱۱، شماره ۴ - ( ۱۲-۱۴۰۳ )
چکیده
زﻣﻴﻦﻟﻐﺰشﻫﺎ، یکی از مخاطرات طبیعی هستند که جان و مال انسانها را تهدید می کنند. زمین لغزش ممکن است در یک منطقه دهها، صدها و شاید هزارن هکتار از اراضی را در زمانی کوتاه تخریب نماید. این مخاطره سالهاست که در منطقه کوهستانی میشخاص استان ایلام، اراضی باغ میوه، مزارع، عرصههای جنگلی و مراتع، راههای ارتباطی، سکونتگاههای روستایی را تخریب نموده است. پهنهبندی خطر زمینلغزش جهت کنترل این مخاطره در این حوضه ضرورت دارد. هدف اصلی این تحقیق پهنهبندی مناطق خطر زمینلغزش در این حوضه آبخیز می باشد. یکی از روشهای نوین جهت بررسی خطر زمینلغزش، روش شبکه عصبی مصنوعی میباشد .این روش نسبت به روشهای دیگر دارای مزیتهایی است، توزیع آماری دادهها مستقل است و به متغیرهای آماری مخصوصی نیاز ندارد. در این تحقیق، ابتدا اقدام به تهیه نقشه پراکنش زمینلغزش در حوضه انتخابی گردید. سپس ارتباط بین متغیرهای مستقل مانند شیب، سنگ شناسی، فاصله از گسل، کاربری اراضی، فاصله از شبکه راهها، فاصله از آبراههها، جهت شیب با مناطق تحتتاثیر زمین لغزش مورد بررسی قرار گرفت. پس از تهیه نقشههای وزنی، این لایهها در محیط نرمافزار ArcGIS به اطلاعات عددی تبدیل و پس از استاندارد کردن به نرم افزار MATLAB وارد شده و برنامهای با ساختار پرسپترون با الگوریتم یادگیری پس انتشار خطا، نوشته شد. بعد از مشخص شدن ساختار شبکه عصبی مصنوعی و آموزش و آزمایش آن، نتایج مورد ارزیابی و خروجی شبکه در محیط سیستمهای اطلاعات جغرافیایی، تبدیل به نقشه خطر زمین لغزش شد. نقشه خطر حاصله به پهنههای مختلف خطر، طبقهبندی و مقدار زمینلغزش در هر پهنه آن محاسبه گردید. نتایج حاصل از بررسی عوامل نشان داد که در حوضه میشخاص ایلام سازند آسماری، طبقه شیب ۱۰تا۲۰ درصد، طبقه فاصله از گسل بیشتر از ۵۰۰ متر، جهت شمال شرق، فاصله از آبراهههای بیشتر از ۱۰۰ متر، باغات میوه حساسترین کاربریها و فاصله ازجاده بیشتر از ۲۰۰ متر، حساسترین طبقات نسبت به وقوع زمینلغزش و دارای بیشترین نسبت فراوانی وقوع زمینلغزش در حوضه می باشند. از سوی دیگر، نتایج حاصل از پهنهبندی خطر زمینلغزش با استفاده از روش شبکه عصبی مصنوعی نشان داد در حوضه میشخاص ایلام حدود ۸۰ درصد زمین لغزشها در پهنههای خطر زیاد و خیلی زیاد قرار گرفتهاند.